數據集地址

該圖像數據集是 U2OS 細胞高通量化學篩選的一部分，其中包含 200 種生物活性化合物的示例。治療效果最初是使用細胞繪畫測定（熒光顯微鏡）成像的。該數據集僅包括每種化合物的單個視場的 DNA 通道。這些圖像呈現了各種核表型，代表了高通量化學擾動。該數據集的主要用途是研究分割算法，該算法可以以準確的方式分離單個細胞核實例，而不管它們的形狀和細胞密度如何。該集合有大約 23,000 個手動注釋的單個細胞核，以建立用于分割評估的數據集合。

模型訓練

準備好數據集以后，直接按下面的命令行運行即可：

yolo train model=yolov8s.pt data=bbbc022_dataset.yaml epochs=25 imgsz=640 batch=1

導出與測試

模型導出與測試

yolo export model=bbbc022_best.pt format=onnx
yolo predict model=bbbc022_best.pt source=D:	ensor_cv2.jpg

部署推理

轉成ONNX格式文件以后，基于OpenVINO-Python部署推理，相關代碼如下

ie=Core()
fordeviceinie.available_devices:
print(device)

#ReadIR
model=ie.read_model(model="bbbc022_best.onnx")
compiled_model=ie.compile_model(model=model,device_name="CPU")
output_layer=compiled_model.output(0)

frame=cv.imread("D:/tensor_cv2.jpg")
bgr=format_yolov8(frame)
img_h,img_w,img_c=bgr.shape

start=time.time()
image=cv.dnn.blobFromImage(bgr,1/255.0,(640,640),swapRB=True,crop=False)

res=compiled_model([image])[output_layer]#1x84x8400
rows=np.squeeze(res,0).T
class_ids=[]
confidences=[]
boxes=[]
x_factor=img_w/640
y_factor=img_h/640

forrinrange(rows.shape[0]):
row=rows[r]
classes_scores=row[4:]
_,_,_,max_indx=cv.minMaxLoc(classes_scores)
class_id=max_indx[1]
if(classes_scores[class_id]>.25):
confidences.append(classes_scores[class_id])
class_ids.append(class_id)
x,y,w,h=row[0].item(),row[1].item(),row[2].item(),row[3].item()
left=int((x-0.5*w)*x_factor)
top=int((y-0.5*h)*y_factor)
width=int(w*x_factor)
height=int(h*y_factor)
box=np.array([left,top,width,height])
boxes.append(box)

indexes=cv.dnn.NMSBoxes(boxes,confidences,0.25,0.45)
forindexinindexes:
box=boxes[index]
color=colors[int(class_ids[index])%len(colors)]
rr=int((box[2]+box[3])/4)
cv.circle(frame,(box[0]+int(box[2]/2),box[1]+int(box[3]/2)),rr-4,color,2)
cv.putText(frame,class_list[class_ids[index]],(box[0]+int(box[2]/2),box[1]+int(box[3]/2)),
cv.FONT_HERSHEY_SIMPLEX,.5,(0,0,0))
cv.putText(frame,"gloomyfish@2024",(20,45),cv.FONT_HERSHEY_SIMPLEX,1,(0,0,255),2)

cv.imshow("YOLOv8+OpenVINO2023BBBCCount",frame)
cv.waitKey(0)
cv.destroyAllWindows()